---
license: mit
task_categories:
- text-generation
language:
- zh
tags:
- zh-tw
- Taiwan
- R.O.C
- pdf
- finevoices
- ocr
pretty_name: A Traditional Chinese PDF–Text Dataset for LLM training
size_categories:
- 10M<n<100M
---

# Dataset Card for finevoices-zhtw (WIP)

<!-- Provide a quick summary of the dataset. -->
![Finevoices-zhtw](https://cdn-uploads.huggingface.co/production/uploads/618dc56cbc345ca7bf95f3cd/oWDhEzUmvB4Qot8Jx8Lkh.png)

*Brief Summary (Preliminary)*

> This section describes the **initial design intent** of the project.
> It serves as a **first-edition summary** and may be revised or expanded
> as the dataset scope, governance, and contribution process become more clearly defined.

本計畫 finevoices-zhtw 旨在建立一套以繁體中文（台灣）為核心、可合法使用、可長期維護的語音資料集，作為繁體中文語言與語音模型在 語音辨識（ASR）、語音合成（TTS）、多模態模型訓練與微調（fine-tuning） 等任務上的公共基礎資料來源。

本專案的整體精神，參考 Mozilla Common Voice 與 Hugging Face 社群所推動的開放資料集模式——由社群共同貢獻、清楚定義授權、長期累積並持續演進。
然而，finevoices-zhtw 不直接複製既有資料或來源，而是聚焦於 繁體中文與台灣語境，由台灣使用者、研究者與組織自行貢獻語音資料，建立一個在地、可持續、可被信任使用於模型訓練的公共語音資源。

我們的目標，是讓 finevoices-zhtw 成為繁體中文世界中，如同 Common Voice 之於英文語音社群般的重要公共基礎建設。

## 如何幫忙本專案
本專案正在進行中，歡迎任何夥伴加入幫忙，一起讓繁體中文的預訓練語料更多元及完善。